🚀 bespin-global/klue-sroberta-base-continue-learning-by-mnr
該模型利用了KLUE/NLI、KLUE/STS數據集,並通過sentence-transformers官方文檔中介紹的持續學習方法進行了如下訓練:
- 通過NLI數據集進行負採樣後,利用MultipleNegativeRankingLoss進行第一次NLI訓練。
- 對在步驟1中訓練完成的模型,通過STS數據集,利用CosineSimilarityLoss進行第二次STS訓練。
關於訓練的詳細內容,請參考博客和Colab實踐代碼。
這是一個sentence-transformers模型:它可以將句子和段落映射到768維的密集向量空間,可用於聚類或語義搜索等任務。
🚀 快速開始
本模型可以通過sentence-transformers
庫或HuggingFace Transformers
庫使用,下面分別介紹使用方法。
✨ 主要特性
- 利用KLUE/NLI、KLUE/STS數據集進行訓練。
- 通過持續學習方法,先進行NLI訓練,再進行STS訓練。
- 可將句子和段落映射到768維的密集向量空間,適用於聚類或語義搜索等任務。
📦 安裝指南
若要使用本模型,需要安裝sentence-transformers
庫,可使用以下命令進行安裝:
pip install -U sentence-transformers
💻 使用示例
基礎用法(Sentence-Transformers)
from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]
model = SentenceTransformer("bespin-global/klue-sroberta-base-continue-learning-by-mnr")
embeddings = model.encode(sentences)
print(embeddings)
高級用法(HuggingFace Transformers)
若未安裝sentence-transformers
庫,可以按以下方式使用該模型:首先將輸入傳遞給Transformer模型,然後對上下文詞嵌入應用正確的池化操作。
from transformers import AutoTokenizer, AutoModel
import torch
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0]
input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)
sentences = ['This is an example sentence', 'Each sentence is converted']
tokenizer = AutoTokenizer.from_pretrained("bespin-global/klue-sroberta-base-continue-learning-by-mnr")
model = AutoModel.from_pretrained("bespin-global/klue-sroberta-base-continue-learning-by-mnr")
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
model_output = model(**encoded_input)
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Sentence embeddings:")
print(sentence_embeddings)
📚 詳細文檔
評估結果
EmbeddingSimilarityEvaluator:在sts - test數據集上評估模型
- 餘弦相似度:
- 皮爾遜相關係數:0.8901
- 斯皮爾曼相關係數:0.8893
- 曼哈頓距離:
- 皮爾遜相關係數:0.8867
- 斯皮爾曼相關係數:0.8818
- 歐幾里得距離:
- 皮爾遜相關係數:0.8875
- 斯皮爾曼相關係數:0.8827
- 點積相似度:
- 皮爾遜相關係數:0.8786
- 斯皮爾曼相關係數:0.8735
- 平均值:0.8892573547643868
訓練參數
該模型使用以下參數進行訓練:
數據加載器
torch.utils.data.dataloader.DataLoader
,長度為329,參數如下:
{'batch_size': 32, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
損失函數
sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss
fit()
方法的參數:
{
"epochs": 4,
"evaluation_steps": 32,
"evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
"max_grad_norm": 1,
"optimizer_class": "<class 'transformers.optimization.AdamW'>",
"optimizer_params": {
"lr": 2e-05
},
"scheduler": "WarmupLinear",
"steps_per_epoch": null,
"warmup_steps": 132,
"weight_decay": 0.01
}
完整模型架構
SentenceTransformer(
(0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) with Transformer model: RobertaModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)
引用與作者
安在亨,Bespin Global
信息表格
屬性 |
詳情 |
模型類型 |
句子相似度模型 |
訓練數據 |
KLUE/NLI、KLUE/STS數據集 |
許可證 |
CC BY 4.0 |